1. 风控概述：信贷风控的核心逻辑、贷前/贷中/贷后场景、评分卡与机器学习模型对比
1.1 信贷风控的核心逻辑
信贷风控的本质是在信息不对称条件下，对借款人的还款意愿与还款能力进行量化评估，并据此做出授信决策。其核心逻辑围绕三个基本问题展开：
- 会不会还？ —— 评估借款人的还款意愿（欺诈风险、信用历史）。
- 能不能还？ —— 评估借款人的还款能力（收入、负债、资产）。
- 还不了怎么办？ —— 设计风险缓释措施（抵押、担保、催收）。
风控模型的目标是将上述定性判断转化为可量化的风险评分，从而在收益与风险之间找到最优平衡点。
核心公式： 预期损失 (EL) = 违约概率 (PD) × 违约损失率 (LGD) × 违约风险敞口 (EAD)
1.2 贷前 / 贷中 / 贷后场景
信贷全生命周期分为三个核心阶段，每个阶段的风控目标与数据特征截然不同：
| 阶段 | 核心目标 | 典型动作 | 关键数据 |
|---|---|---|---|
| 贷前 | 准入与反欺诈 | 身份核验、黑名单过滤、反欺诈规则、预授信 | 身份信息、设备指纹、多头借贷、征信报告 |
| 贷中 | 额度与利率定价 | 信用评分、额度测算、利率差异化、交易监控 | 收入流水、社保公积金、历史还款行为、消费数据 |
| 贷后 | 预警与催收管理 | 早期预警、逾期分群、催收策略、核销 | 还款表现、联系人信息、资产变动、外部司法数据 |
实践要点： 贷前模型追求“快”与“准”，通常使用轻量级规则+机器学习模型；贷中模型侧重“稳定性”，评分卡仍占主导；贷后模型关注“可解释性”，用于催收策略分群。
1.3 评分卡与机器学习模型对比
评分卡（Scorecard）是传统风控的基石，而机器学习（ML）模型正在快速渗透。两者在方法论、可解释性、性能上各有优劣：
| 对比维度 | 评分卡（逻辑回归） | 机器学习模型（XGBoost / LightGBM） |
|---|---|---|
| 模型形式 | 线性加和，每个特征对应一个分数段 | 非线性集成，树结构组合 |
| 可解释性 | 高，每个特征贡献可精确计算 | 中低，需借助 SHAP / PDP 等工具 |
| 特征工程 | 需要大量手动分箱、WOE 编码 | 对原始特征容忍度高，自动处理非线性 |
| 性能上限 | 中等，受限于线性假设 | 高，能捕捉复杂交互与非线性模式 |
| 稳定性 | 高，分数分布随时间变化小 | 中，需监控特征漂移与模型衰减 |
| 监管合规 | 成熟，被监管机构广泛接受 | 需额外解释性报告，部分场景受限 |
| 部署成本 | 低，规则引擎即可运行 | 较高，需模型服务与监控平台 |
选型建议： 在强监管场景（如银行核心信贷）优先使用评分卡；在互联网信贷、高维数据场景下，使用 XGBoost 等 ML 模型可显著提升区分度。实际落地中，评分卡 + ML 模型融合是常见策略。
1.4 从评分卡到 XGBoost：演进路径
在实际风控建模中，评分卡与 XGBoost 并非对立关系，而是技术演进的不同阶段：
- 阶段一：纯规则引擎 —— 基于专家经验的黑白名单、阈值规则。
- 阶段二：评分卡模型 —— 逻辑回归 + WOE 分箱，成为行业标准。
- 阶段三：机器学习模型 —— XGBoost / LightGBM 提升区分度，用于贷前审批与贷中定价。
- 阶段四：模型融合与自动化 —— 评分卡提供基准分数，ML 模型提供增量信息，AutoML 辅助特征筛选。
本课程定位： 我们将重点讲解风控特征筛选方法论（IV、PSI、特征重要性、相关性分析）以及XGBoost 在信贷风控中的完整建模流程，帮助学员构建高性能、可解释、可落地的风控模型。